Implementasi Arsitektur CNN Inception V3 untuk Identifikasi Spesies Burung Endemik di Indonesia

Kahfi  Zairan Maulana; Agus Susanto

doi:10.55382/jurnalpustakarobotsister.v2i1.775

Penulis

Kahfi Zairan Maulana Universitas Bengku
Agus Susanto Universitas Bengkulu

DOI:

https://doi.org/10.55382/jurnalpustakarobotsister.v2i1.775

Kata Kunci:

Convolutional Neural Network, Inception V3, Identifikasi Spesies Burung, Transfer Learning, Konservasi

Abstrak

Konservasi burung endemik di Indonesia menjadi prioritas mengingat Indonesia adalah habitat bagi banyak spesies burung yang tidak ditemukan di tempat lain. Penelitian ini menerapkan arsitektur Convolutional Neural Network (CNN) Inception V3 untuk mengidentifikasi spesies burung endemik Indonesia. Data yang digunakan berasal dari situs Kaggle, mencakup 4.390 gambar dari 10 spesies burung. Penelitian ini menggunakan teknik transfer learning untuk melatih model dengan dataset spesifik yang terbatas. Setelah melalui proses fine-tuning, model diuji menggunakan delapan set data uji yang berbeda. Hasilnya menunjukkan bahwa model mampu mencapai akurasi klasifikasi sebesar 96%, yang ditunjukkan melalui confusion matrix dan laporan klasifikasi. Ini menunjukkan bahwa model Inception V3 efektif dalam identifikasi spesies burung endemik dan dapat berkontribusi pada upaya konservasi.

Referensi

Nurhaida and W. As, “Hubungan Perilaku Harian Ayam Terhadap Lingkungannya,” 2023, doi: 10.31219/osf.io/cyevz.

N. Wolas, H. Hamzah, and M. E. Hiswati, “Aplikasi Deep Learning Menggunakan Algoritma Convolutional Neural Network (CNN) Untuk Klasifikasi Burung Famili Accipitridae,” Seminar Nasional Teknik Elektro Informatika Dan Sistem Informasi, vol. 1, no. 1, 2022, doi: 10.35842/sintaks.v1i1.4.

D. Choe, E. Choi, and D. K. Kim, “The Real-Time Mobile Application for Classifying of Endangered Parrot Species Using the CNN Models Based on Transfer Learning,” Mobile Information Systems, vol. 2020, pp. 1–13, 2020, doi: 10.1155/2020/1475164.

A. Tursunov, Mustaqeem, and S. Kwon, “Deep-Net: A Lightweight CNN-Based Speech Emotion Recognition System Using Deep Frequency Features,” Sensors, vol. 20, no. 18, p. 5212, 2020, doi: 10.3390/s20185212.

R. S. Monteiro, M. C. M. Ribeiro, C. Viana, M. W. L. Moreira, G. Araújo, and J. J. P. C. Rodrigues, “Fish Recognition Model for Fraud Prevention Using Convolutional Neural Networks,” 2021, doi: 10.21203/rs.3.rs-849174/v1.

A. Manna, N. Upasani, S. Jadhav, R. Mane, R. Chaudhari, and V. Chatre, “Bird Image Classification Using Convolutional Neural Network Transfer Learning Architectures,” International Journal of Advanced Computer Science and Applications, vol. 14, no. 3, 2023, doi: 10.14569/ijacsa.2023.0140397.

B. Gardie, S. Asemie, K. Azezew, and Z. Solomon, “Potato Plant Leaf Diseases Identification Using Transfer Learning,” Indian J Sci Technol, vol. 15, no. 4, pp. 158–165, 2022, doi: 10.17485/ijst/v15i4.1235.

Md. M. Rahman, A. A. Biswas, A. Rajbongshi, and A. Majumder, “Recognition of Local Birds of Bangladesh Using MobileNet and Inception-V3,” International Journal of Advanced Computer Science and Applications, vol. 11, no. 8, 2020, doi: 10.14569/ijacsa.2020.0110840.